0

我有一个包含 160 个类别的大约 160k 图像的数据集，我正在尝试使用 CNN 对它们进行分类。对 20 个 epoch 的 120k 图像进行训练，我从 loss ~ 4.9 和 val_loss ~ 4.6 开始，在 20 个 epoch 后提高到大约 3.3 和 3.2。我真的试图阅读 Keras 的文档并理解这意味着什么，但我不能，所以我想问是否有人会在我的模型的上下文中向我解释这对我的模型意味着什么。我的意思是损失分数代表什么？它对模型说了什么？

num_classes = 154
batch_size = 64
input_shape = (50,50,3)
epochs = 20

X, y = load_data()

# input image dimensions
img_rows, img_cols = 50, 50

x_train = x_train.astype('float32')
x_test = x_test.astype('float32')
x_train /= 255
x_test /= 255

# convert class vectors to binary class matrices
y_train = keras.utils.to_categorical(y_train, num_classes)
y_test = keras.utils.to_categorical(y_test, num_classes)

model = Sequential()
model.add(Conv2D(64, kernel_size=(5, 5),
                 activation='relu',
                 padding = 'same',
                 input_shape=input_shape))
model.add(Conv2D(128, (3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(3, 3)))
model.add(Dropout(0.20))
model.add(Conv2D(128, (3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))
model.add(Flatten())
model.add(Dense(128, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(num_classes, activation='softmax'))

model.compile(loss=keras.losses.categorical_crossentropy,
              optimizer=keras.optimizers.Adadelta(),
              metrics=['accuracy'])
4

1 回答 1

1

我认为首先在 CNN 上在线观看一些教程会有所帮助。基本上，您希望您的损失随着您的案例所观察到的训练时期而减少。通常，我们会查看这两种损失在整个训练期间是如何演变的。观察训练和验证损失的变化有助于我们了解模型是否过度拟合。您可以查看此链接以获得检测过度拟合的基本解释。

理想情况下，您希望通过迭代减少训练和测试损失。它是模型在分类中所犯错误的度量（随着准确性的提高，您期望损失会减少）

于 2018-02-10T03:24:50.427 回答